在临床阴性结节早期肺腺癌中隐性淋巴结转移的术前预测:一个多中心机器学习研究

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 隐性淋巴结转移 (OLNM) 在早期的肺腺癌 (LUAD) 导致低阶段和次优化手术.
• 目前对OLNM的预测工具缺乏稳定性.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于在手术前预测OLNM.
• 整合CT语义和放射性特征,以提高预测准确度.

主要方法:

• 这是一项回顾性多中心研究,涉及752名患者.
• 使用XGBoost开发了一个可解释的ML模型,包含特征处理 (ComBat,PCA,LASSO) 和SMOTE平衡数据.
• 优化了七个分类器,以实现强大的性能.

主要成果:

• 在内部和外部验证队列中,XGBoost模型取得了强的表现 (ROC-AUC:0.814-0.826).
• 风险分层确定了五个可采取行动的层次,显示了OLNM风险率的增加.
• 关键预测指标包括整合水平,放射学衍生的Rad-score和分球.

结论:

• 已验证的ML模型集成了语义和放射性特征,用于非侵入性OLNM预测.
• 能够实现个性化外科规划和量身定制的淋巴结剖析.
• 在资源有限的环境中提高先进预测工具的可访问性.